論文の概要: Imagery Dataset for Remaining Useful Life Estimation of Synthetic Fibre Ropes

• arxiv url: http://arxiv.org/abs/2605.04262v1
• Date: Tue, 05 May 2026 19:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.527308
• Title: Imagery Dataset for Remaining Useful Life Estimation of Synthetic Fibre Ropes
• Title（参考訳）: 合成繊維ロープの有効寿命推定のための画像データセット
• Authors: Anju Rani, Daniel Ortiz-Arroyo, Petar Durdevic,
• Abstract要約: 制御された循環疲労負荷下でのSFRの完全な劣化ライフサイクルをキャプチャする、パブリックなイメージデータセットは存在しない。 循環疲労を受けた11種の高率ポリエチレン(HMPE)ロープ試料の約34,700個の高分解能画像からなる新しい画像データセットを提案する。 このデータセットは、視覚ベースの条件監視(CM)とSFRの予後アルゴリズムの開発と比較のためのベンチマークリソースとして機能することを意図している。
• 参考スコア（独自算出の注目度）: 2.8993790400286876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remaining useful life (RUL) estimation of synthetic fibre ropes (SFRs) is critical for safe operation in offshore-crane, wind turbine installation, and heavy-load handling applications, where rope failure can result in catastrophic safety incidents and costly downtime. Despite growing research interest in data-driven condition monitoring, there is no publicly available image dataset that captures the complete degradation lifecycle of SFRs under controlled cyclic fatigue loading. To address this gap, we present a novel image dataset comprising approximately 34,700 high-resolution images of eleven Dyneema SK75/78 high-modulus polyethylene (HMPE) rope samples subjected to cyclic fatigue on a sheave-bend test stand at seven distinct axial load levels ranging from 60 kN to 280 kN. Ropes were loaded until mechanical failure, with fatigue lifetimes ranging from 695 cycles to 8,340 cycles. After every fixed number of sheave cycles (an inspection burst), ten images were captured at different cross-sectional positions along the rope, providing spatially representative sampling of surface degradation throughout the rope's entire service life. The images obtained from each load are annotated with the corresponding elapsed cycle count, enabling a direct computation of RUL for any rope in the sequence. This dataset aims to support a broad range of machine learning (ML) tasks including RUL regression, damage progression modelling, anomaly detection, and load-conditioned prognostics. The dataset is intended to serve as a benchmark resource for the development and comparison of vision-based condition monitoring (CM) and prognostics algorithms for SFRs.
• Abstract（参考訳）: 合成繊維ロープ (SFR) の残留寿命 (RUL) の推定は、オフショアクレーン、風力タービンの設置、重荷取扱アプリケーションにおいて安全な運用のために重要であり、ロープの故障により破滅的な安全事故やコストダウンタイムが発生する可能性がある。 データ駆動型コンディション監視に対する研究の関心が高まっているにもかかわらず、制御された循環的疲労負荷下でのSFRの完全な劣化ライフサイクルをキャプチャするイメージデータセットは公開されていない。 このギャップに対処するため,60kNから280kNまでの7つの異なる軸方向荷重レベルにおいて,せん断曲げ試験台上で循環疲労を受けるDyneema SK75/78高率ポリエチレン(HMPE)ロープ試料の約34,700高分解能画像からなる新しい画像データセットを提案する。 ロープは機械的故障まで装填され、疲労寿命は695サイクルから8,340サイクルまでであった。 一定回数のせん断サイクル(検査バースト)の後に、ロープに沿って異なる断面位置で10枚の画像が撮影され、ロープの全寿命を通して表面劣化を空間的に代表的にサンプリングした。 各負荷から得られた画像は対応する経過サイクルカウントに注釈付けされ、シーケンス内の任意のロープに対してRULを直接計算することができる。 このデータセットは、RUL回帰、損傷進行モデリング、異常検出、負荷条件付き予後など、幅広い機械学習(ML)タスクをサポートすることを目的としている。 このデータセットは、視覚ベースの条件監視(CM)とSFRの予後アルゴリズムの開発と比較のためのベンチマークリソースとして機能することを意図している。

関連論文リスト

• Towards Athlete Fatigue Assessment from Association Football Videos [53.20057980542362]
  本稿では,ピッチ座標における選手軌跡を抽出する最先端のゲーム状態再構成手法を構築した。 次に,これらの信号から加速度-速度プロファイルを構築し,その挙動を疲労関連性能指標として解析する。 以上の結果から,単眼映像は,A-S時間と相性のあるキネマティックなパターンを回復すると同時に,トラジェクティブノイズ,校正誤差,放送映像固有の時間的不連続性に敏感であることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-07T09:36:28Z)
• Denoising the Deep Sky: Physics-Based CCD Noise Formation for Astronomical Imaging [47.83642412662346]
  学習ベースのdenoisingは有望だが、ペアのトレーニングデータが不足しているため、進歩は妨げられている。 CCDノイズ生成に適した物理に基づくノイズ合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T18:47:54Z)
• CARLE: A Hybrid Deep-Shallow Learning Framework for Robust and Explainable RUL Estimation of Rolling Element Bearings [2.312232949770907]
  Remaining Useful Life (RUL) は、コンポーネント、例えばローリングエレメントのベアリングが障害前にどれくらいの期間動作するかを予測する。 多くのRUL法が存在するが、動作条件が変化すると一般化性や堅牢性に欠けることが多い。 本稿では,これらの課題に対処するために,深層学習と浅層学習を組み合わせたハイブリッドAIフレームワークであるCARLEを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T21:43:26Z)
• AIM 2025 Low-light RAW Video Denoising Challenge: Dataset, Methods and Results [118.03343690763597]
  本稿では,AIM 2025 (Advances in Image Manipulation) Low-Light RAW Video Denoising Challengeについて述べる。 本研究の目的は,フレームレートによる露光時間制限下での時間的冗長性を利用して,低照度RAW映像をノイズ化する手法を開発することである。 9つの条件で14個のスマートフォンカメラセンサーでキャプチャされた756個の10フレームシーケンスのベンチマークを新たに導入する。
  論文  参考訳（メタデータ） (2025-08-22T23:02:21Z)
• XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
  本稿では,新しい駆動ビュー合成評価のための合成データセットを提案する。 トレーニングコースから逸脱した画像を1～4ドル(約1,400円)で撮影する。 我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-26T14:00:21Z)
• Imagery Dataset for Condition Monitoring of Synthetic Fibre Ropes [0.0]
  このデータセットは、正常なSFRと欠陥のあるSFRの両方を表す合計6,942の生画像からなる。 データセットは、オブジェクトの検出、分類、セグメンテーションを含むコンピュータビジョンアプリケーションをサポートするリソースとして機能する。 このデータセットを生成する目的は、自動欠陥検出システムの開発を支援することである。
  論文  参考訳（メタデータ） (2023-09-29T08:42:44Z)
• Real-Time Damage Detection in Fiber Lifting Ropes Using Lightweight Convolutional Neural Networks [14.553374494874374]
  軽量畳み込みニューラルネットワークを用いた合成繊維ロープ画像の損傷検出システム ケネクラネスの専門家は、ロープの状態に応じて収集した画像に注釈を付け、正常または損傷を与えた。 モデルは96.5%の精度、94.8%の精度、98.3%のリコール、96.5%のF1スコア、99.3%のAUCで他の類似の手法より優れている。
  論文  参考訳（メタデータ） (2023-02-23T11:44:43Z)
• FReSCO: Flow Reconstruction and Segmentation for low latency Cardiac Output monitoring using deep artifact suppression and segmentation [0.0]
  心臓出力(CO)のリアルタイムモニタリングには低遅延再構成とリアルタイム位相コントラストMR(PCMR)のセグメンテーションが必要である 我々は「低遅延心出力モニタリングのためのフロー再構成とセグメンテーション」のためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-25T16:02:36Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。